Traitement par les méthodes d’apprentissage profond de signaux physiologiques pour la détection des stades de sommeil / Oussama Soukeur (2020) 

Public ISBD Titre : Traitement par les méthodes d’apprentissage profond de signaux physiologiques pour la détection des stades de sommeil Type de document : document électronique Auteurs : Oussama Soukeur, Auteur ; Mehdi Ait Mesbah, Auteur ; Mourad Adnane, Directeur de thèse Editeur : [S.l.] : [s.n.] Année de publication : 2020 Importance : 1 fichier PDF (3.6 M) Présentation : ill. Note générale : Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Électronique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 93 - 98 Langues : Français (fre) Mots-clés : Machine Learning Etude du sommeil Deep Learning Classification Détection de la somnolence Détection des stades sommeil Index. décimale : PN00120 Résumé : La reconnaissance automatique des stades de sommeil est un sujet de recherche qui fait son chemin dans de nombreux domaines y compris l’apprentissage profond. Cette tache reste problématique étant donnée l’utilisation d’un matériel encombrant et coûteux nécessitant la présence du patient dans l’hôpital. Au cours de ces dernières années de nombreuses approches ont été proposé pour la classification des états de sommeil à partir de signaux ECG, enregistrer par des appareils portatifs à domicile beaucoup moins encombrant. Cependant dans le but d’améliorer la classification des états de sommeil nous avons été menés à établir une étude approfondie des approches les plus utilisée dans la classification en apprentissage profond. Cette étude a abouti à la mise en œuvre d’une méthode de classification utilisant un modèle hybride composé de réseaux de neurones récurent à mémoire courte et long terme LSTM, réseaux de neurones convolutives CNN et modèle de Markov caché HMM. Afin de valider nos approches nous avons utilisé des bases de données MIT-BIH disponible sur physionet. Traitement par les méthodes d’apprentissage profond de signaux physiologiques pour la détection des stades de sommeil [document électronique] / Oussama Soukeur, Auteur ; Mehdi Ait Mesbah, Auteur ; Mourad Adnane, Directeur de thèse . - [S.l.] : [s.n.], 2020 . - 1 fichier PDF (3.6 M) : ill. Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Électronique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 93 - 98 Langues : Français (fre) Mots-clés : Machine Learning Etude du sommeil Deep Learning Classification Détection de la somnolence Détection des stades sommeil Index. décimale : PN00120 Résumé : La reconnaissance automatique des stades de sommeil est un sujet de recherche qui fait son chemin dans de nombreux domaines y compris l’apprentissage profond. Cette tache reste problématique étant donnée l’utilisation d’un matériel encombrant et coûteux nécessitant la présence du patient dans l’hôpital. Au cours de ces dernières années de nombreuses approches ont été proposé pour la classification des états de sommeil à partir de signaux ECG, enregistrer par des appareils portatifs à domicile beaucoup moins encombrant. Cependant dans le but d’améliorer la classification des états de sommeil nous avons été menés à établir une étude approfondie des approches les plus utilisée dans la classification en apprentissage profond. Cette étude a abouti à la mise en œuvre d’une méthode de classification utilisant un modèle hybride composé de réseaux de neurones récurent à mémoire courte et long terme LSTM, réseaux de neurones convolutives CNN et modèle de Markov caché HMM. Afin de valider nos approches nous avons utilisé des bases de données MIT-BIH disponible sur physionet.

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
EP00071	PN00120	Ressources électroniques	Bibliothèque centrale	Projet Fin d'Etudes	Disponible	Electronique	Téléchargeable

Documents numériques

AIT-MESBAH.Mehdi_SOUKEUR.Oussama.pdf URL